你是哪种冒险家：极大的，极小的，还是极小的？

今天，在我们关于揭开人工智能、ML和应用算法的神秘面纱的系列文章中，我们将看到收获、遗憾和风险。

我们都希望在努力取得最大成功的同时避免后悔。哦，当然，所有这些都是在风险可控的情况下进行的。我们该如何建模呢？

现在是…。虽然这很鼓舞人心，但我很难把它应用到我的大多数决定中。我很善于分析，我需要更多的数据来做决定。

这个想法是，当面临一个决定时，个人可能会预见到后悔，因此在他们的选择中加入了他们消除或减少这种可能性的愿望。对后悔的有意识的预期创造了一个反馈循环，将后悔从情感领域-通常被建模为纯粹的人类行为-提升到决策理论中建模的理性选择行为领域。

我们可以掷硬币，如果你猜对了，你会得到100美元(否则是0美元)。

选择A将风险降到最低，但也减少了后悔的可能性，因为硬币不会被扔出去(因此不确定性也没有解决)。

如果你选错了B并猜错了，这会引起后悔(价值100美元)，但可能会有最高的收益。

人们通常会通过问这样一个问题来过分简化这个问题：你是一个冒险家，还是你总是追求确定性？

生活从来不像在A和B之间选择那么简单，我们要处理细微的差别、一系列的选择、及时的情绪等。…。在我们的决策过程中，我们如何量化这些情绪(风险、后悔、收获)？

为了说明这一理论，让我们举一个选择登录页面设计的(过于简化的)营销例子。

我们创建了4个登录页面，在消息传递方面都有很大的不同，并以乐观、悲观和中性的前景估计了所有页面的转换率。

看看我们的收益表，最高可能的转换率是12%。如果我们选择带有积极响应的挑衅性登录页面，就会发生这种情况。

这种方法适用于乐观主义者或“寻求风险”的投资者，他们寻求在最好的情况下获得最好的结果。

最大最小原则涉及选择使可实现的最小回报最大化的备选方案。我会看看每个供应水平可能出现的最坏结果，然后选择其中最高的一个。这是把我的损失降到最低的保证。在这个过程中，我错失了赚大钱的机会。

最高的最低回报来自基于产品的登录页面。这确保了最坏的可能情况仍然会导致至少3%的转换率。

这种方法对于那些在最糟糕的情况下寻求最佳结果的悲观主义者来说是合适的。

最大限度的后悔策略是最小化最大遗憾的策略。这对风险中性的决策者很有用。从本质上讲，这是一种“痛苦的失败者”的技巧，他们不希望做出错误的决定。

在这种情况下，“后悔”被定义为做出错误决定的机会损失或代价。

要计算这一点，我们需要找到每个LP行的最大转换率，然后减去实际转换率。

如果我们采用最小最大遗憾标准，我们会希望最大限度地减少最大遗憾，因此使用产品登录页。

这只是一个理解概念的插图。在我们的营销努力中，事情从来都不是那么一目了然，细微差别无处不在，我们需要考虑更多的数据。

假设投资者必须在投资股票、债券或货币市场之间做出选择，总回报取决于利率的变化。下表显示了一些可能的回报。

基于回报的最大限度(最大化最低回报)选择是投资于货币市场，确保至少1的回报。

然而，如果利率下降，那么与这一选择相关的遗憾将会很大。这将是11，这是在事先知道结果的情况下可能收到的12与收到的1之间的差值。

此示例的遗憾表由最佳回报减去实际回报构成，如下所示：

使用基于遗憾的极小极大选择，最好的方法是投资债券，确保遗憾不低于5。

现在，我们需要进行更多的计算，看看这些投资的排列是否会产生更低的极大极小值。没错！混合投资组合会做得更好：61.1%投资于股票，38.9%投资于货币市场，产生的遗憾不会比4.28更糟糕。

一种想法是：我的访问者对不同内容的反应是什么(转化率是其中一个指标)。

填表是大量实验的结果(A/B测试不能解决这个问题，这就是为什么它80%的时间都失败了。我们在这里介绍了原因)。

列出消息/内容的类型涉及偏见(“我觉得可能起作用的内容类型是…”)。这是可以的，但要防止进行详尽的测试。我们需要一种数据驱动的方式来提供内容。

“…”因为配置文件/敏感度行实际上由数十亿个潜在的值和访问者要素集的组合组成。

就像投资组合一样，获胜的整体内容将由驱动各种情绪的元素组成。我们可以把它想象成各种内容的组合

此内容组合因访问者不同而不同，因此我们需要智能细分。

机器学习可以处理大型数据集，并将数十亿个排列的结果收集到一个不再人眼可见的表格中。

人工智能可以帮助基于情感、亲和力、概念提取和摘要技术生成和推荐内容。

两者的组合和使用遗憾最小化算法允许实验和优化协调运行。

简而言之：一个聪明的营销优化引擎可以学习，并总是最大限度地减少决定显示什么内容，以及什么最有可能吸引和转化你的访问者的遗憾。